报告题目：进化动态优化:一类基于迁移学习的方法

报 告 人：江敏 教授 厦门大学

照    片：

邀 请 人：高卫峰、刘三阳

报告时间：2020年9月20日15:00-17:00

报告地点：腾讯会议: 694 350 866

报告人简介： 江敏，男，教授，博导，厦门大学人工智能系副主任，IEEE高级会员(Senior Member’2012)。江敏博士目前担任IEEE计算智能学会智能系统与应用技术委员会主席、IEEE计算智能学会厦门分会主席、IEEE计算智能学会社会媒体委员会副主席、分会委员会委员、中国计算机学会理论计算机专业委员会专委、福建省人工智能学会理事。江敏教授在包括IEEE Transactions on Evolutionary Computation, IEEE Transactions on Cybernetics, Information Science等期刊和国际会议上发表论文近60篇，他目前担任IEEE Transactions on Neural Networks and Learning Systems副主编，IEEE Transactions on Cognitive and Developmental Systems副主编，曾经担任 IEEE Systems Journal 客座编辑（Human-like Intelligence and Robotics 专辑，2017年出版）。江敏博士是IJCAI 2021，AAAI 2019， CEC 2019， IEEE SSCI 2019， CEC 2018， IEEE WCCI2016（加拿大），ISNN 2015（韩国），CIHLI2015（南非），ISNN’2014，ISNN’2013, AGI’2011 等多个国际会议程序委员会委员，也担任 IEEE Transaction on SMC，IEEE Transaction on Neural Network and Learning Systems，Computational Intelligence Magazine, Theoretical Computer Science，Neurocomputing 和 Journal of Computer Science and Technology 等多个国际期刊的审稿人。江敏教授获得过2019 Publons Top Reviewers Award (Computer Science); 2016 IEEE Transactions on Cybernetics Outstanding Reviewer Award；2019吴文俊人工智能自然科学奖。他目前主要研究兴趣包括智能机器人，计算智能，优化算法以及机器学习等相关领域。

报告摘要：动态多目标优化问题（DMOPS）的主要特征之一是优化目标会随时间或环境的变化而变化，因此准确跟踪变化的帕累托最优前沿（Pareto-Optimal Front ，POF）成为一个挑战。一个有前途的解决方案是通过重用已有的“经验”来构建预测模型。然而，大多数现有的方法忽略了数据的非独立同分布的性质。在这个报告中，我们将首先介绍一个算法框架，Tr-DMOEA。 这个框架能够结合迁移学习（Transfer Learning）和基于种群的进化算法来解决DMOPS。其基本思想是将迁移学习作为工具，通过利用过去的经验来生成有效的初始种群池，以加速进化过程。接下来会介绍此方向上的最新研究进展。